面向CTR预测的持续学习：一种混合方法
信息检索
2022-01-19 v1 机器学习
摘要
点击率（CTR）预测是按点击计费（CPC）广告系统中的核心任务，已被机器学习从业者广泛研究。尽管许多现有方法已成功部署于实践，它们大多建立在独立同分布（i.i.d.）假设之上，忽视了用于训练和推断的点击数据是按时间收集的，本质上具有非平稳性和漂移性。这种错配不可避免地导致次优性能。为解决该问题，我们将 CTR 预测表述为持续学习任务，并提出 COLF——一种用于 CTR 预测的混合并行持续学习框架（COntinual Learning Framework），其具有基于记忆的模块化架构，旨在面对非平稳漂移的点击数据流时持续地适应、学习并给出预测。结合一种显式控制记忆与目标数据间差异的记忆填充方法，COLF 能够从其历史经验中获取正向知识并做出改进的 CTR 预测。基于从中国某主流购物应用收集的点击日志的实证评估证明了我们的方法相对于现有方法的优越性。此外，我们已将方法上线部署，观察到 CTR 与收入的显著提升，进一步证明了方法的有效性。
引用
@article{arxiv.2201.06886,
title = {Continual Learning for CTR Prediction: A Hybrid Approach},
author = {Ke Hu and Yi Qi and Jianqiang Huang and Jia Cheng and Jun Lei},
journal= {arXiv preprint arXiv:2201.06886},
year = {2022}
}